近年来,股指预测备受学术界和工业界关注,股票关联网络成为复杂网络领域的研究热点。由于股票市场具有高噪声、非线性、非平稳和混沌等特征,股指时间序列表示了其内在复杂性,并为投资者提供了重要的投资参考。准确预测股指不仅有利于更好地监测和管理与股票市场高度相关的金融市场,还能为投资决策提供有效指导。传统股指预测方法通常基于对股市的技术分析,但没有任何单一技术指标可以持续准确地预测走势。此外,股指成分股之间存在着众多复杂的关联特征,如领先滞后、价格同步、行业轮动和风险传染等。因此,如何从股票关联网络的角度构建股票指数预测的特征指数是一个值得深入思考的问题。此外,在股指运行过程中的不同阶段,不同行业板块对股指未来价格波动的影响权重也具有时变属性,区别于传统的基于原始股指时序数据或宏观基本面数据的特征提取方法,如何层次化聚合股票关联网络中的成分股特征,进而从中观尺度实时捕捉不同行业板块对股指未来价格波动的影响权重。为解决以上问题,本研究首次提出将股指预测问题转化为一种图分类问题,即学习一个映射函数将股票关联网络映射到一组标签的集合。为了从中观层面捕捉不同行业板块对股指未来价格波动的影响权重,本文基于可微池化（DIFFPOOL）框架层次化聚合股票关联网络的节点属性信息,试图从不同行业视角提取股指价格波动的中观尺度预测因子,进而重构股票关联网络的粗化图。这种特征提取模型以股票关联网络分类任务为驱动,可有效聚合不同行业板块股指成分股的特征指标,并基于股票关联网络的层次化聚类结果捕捉不同类簇的相互影响,将其最终聚合得到的层次化表征向量作为可微分类器的特征输入,整个系统可以使用随机梯度下降进行端到端的训练。本文以沪深300指数、标普500指数、英国富时100指数和日经225指数的成分股历史数据作为研究对象。首先,基于可视图模型计算股票距离矩阵,利用极大平面过滤图算法构建股票关联网络,基于复杂网络理论提取拓扑指标,并结合技术指标作为特征变量,其次利用DIFFPOOL深度学习框架学习股票关联网络的层次化表征,最后将可微池化（DIFFPOOL）架构和图卷积神经网络（GCN）分别与长短期记忆（LSTM）等多个分类模型组合,对不同股指预测组合模型进行对比实验。最后,将DIFFPOLL架构和多个时间序列回归模型组合进行对比实验。实验结果表明,通过层次化聚合股票关联网络的节点属性信息可以进一步提高预测准确率。